AI 短編映画の制作：工程ごとにどの GPU を使うか？
結論： AI 短編映画のほとんどの工程は 24–32 GB のカードで動きます。絵コンテの画像、Wan 2.2 TI2V-5B、音声、リップシンク、音楽、アップスケール、フレーム補間です。48 GB、80 GB 以上、または大量のオフロードが必要になるのは、14B 以上の動画モデル（Wan 2.2 A14B、MiniMax H3、LTX-2.5）です。課金は 1 分単位なので、工程ごとに必要なカードを借り、工程の合間にインスタンスを破棄しましょう。商用利用の前に各ツールのライセンスを確認してください。非商用のものや、追加の条件が付くものがあります。
パイプラインの全体像
VRAM の数値とライセンスの記述は、各プロジェクト自身の README またはモデルカードによるものです（2026-11-04 閲覧）。「公表なし」は、プロジェクトが GB の数値を示していないことを意味します。いま起動できるカードは Deploy ページでご確認ください。
| 工程 | ツール | VRAM の目安（公表値） | まず選ぶカードのクラス | ライセンスの注意点 |
|---|---|---|---|---|
| 絵コンテの画像 | FLUX.1、SDXL | FLUX と SDXL に必要な VRAM（英語）を参照 | 24 GB | FLUX.1 dev はライセンスへの同意が必要、FLUX.1 schnell は Apache 2.0 |
| 動画 | Wan 2.2 TI2V-5B | ComfyUI：“should fit well on 8GB vram with the ComfyUI native offloading”（ComfyUI のネイティブなオフロードで 8 GB の VRAM に十分収まる） | 24–32 GB | Apache 2.0 |
| 動画 | Wan 2.2 T2V/I2V-A14B | README：単一 GPU 用コマンドに “at least 80GB VRAM”（80GB 以上の VRAM） | 48–80 GB | Apache 2.0 |
| 動画＋音声 | MiniMax H3 | diffusers：24–32 GB で int8＋ストリーミング、80 GB のカード 1 枚でオフロード | 32 GB と十分なホスト RAM、または 80–96 GB | コミュニティライセンス、下記参照 |
| 動画＋音声 | LTX-2.5（22B） | GB の数値なし。README：メモリが限られる場合は “consider --quantization fp8-cast --offload {cpu, disk}”（--quantization fp8-cast --offload {cpu, disk} を検討する） |
48–96 GB | “annual revenues of at least $10,000,000”（年間売上高 $10,000,000 以上）の事業者は有償ライセンスが必要 |
| 動画 | HunyuanVideo 1.5（8.3B） | “Minimum GPU Memory: 14 GB (with model offloading enabled)”（必要な GPU メモリの下限：14 GB、モデルのオフロード有効時） | 24 GB | コミュニティライセンス、下記参照 |
| キャラクターの一貫性 | musubi-tuner の LoRA | “12GB or more recommended for image training, 24GB or more for video training”（画像の学習には 12GB 以上、動画の学習には 24GB 以上を推奨）、“Main Memory: 64GB or more recommended”（メインメモリ：64GB 以上を推奨） | 24–48 GB | Apache 2.0（Wan のコード） |
| キャラクターの一貫性 | ai-toolkit の LoRA | サンプル設定 train_lora_wan22_14b_24gb.yaml、“Training on and generating video is very VRAM intensive.”（動画の学習と生成は VRAM を大量に使う。） |
24–48 GB | MIT |
| キャラクターの一貫性 | Wan-Animate-2 | “tuned for 8× A800 GPUs”（A800 8 枚向けに調整）、480P は “tested … on 2× A800 GPUs”（A800 2 枚で……テスト済み） | 80 GB のカード複数枚 | Apache 2.0 |
| 音声（TTS） | Fun-CosyVoice 3.0（0.5B） | 公表なし | 24 GB | Apache 2.0 |
| 音声（TTS） | IndexTTS-2.5 | 公表なし（RTX 4090 での RTF の表あり） | 24 GB | bilibili Model Use License（独自） |
| リップシンク | LatentSync | “Minimum VRAM for inference: 8 GB with LatentSync 1.5; 18 GB with LatentSync 1.6”（推論に必要な VRAM の下限：LatentSync 1.5 は 8 GB、LatentSync 1.6 は 18 GB） | 24 GB | Apache 2.0 |
| リップシンク | MuseTalk | 4 GB のノート PC 用 GPU でテスト：“generating an 8-second video takes approximately 5 minutes”（8 秒の動画の生成に約 5 分かかる） | 24 GB | MIT（コード） |
| リップシンク／吹き替え | InfiniteTalk | GB の数値なし。低 VRAM モード：“set --num_persistent_param_in_dit 0”（--num_persistent_param_in_dit 0 を設定する） |
24–48 GB | Apache 2.0 |
| 音楽 | ACE-Step 1.5 | “XL … require ≥12GB VRAM (with offload + quantization) or ≥20GB (without offload)”（XL は……≥12GB の VRAM（オフロード＋量子化あり）または ≥20GB（オフロードなし）が必要）、1 曲あたり “under 10s on RTX 3090”（RTX 3090 で 10 秒未満） | 24 GB | MIT |
| 音楽 | MiniMax Music 3 | “The full precision fits under 24GB of VRAM”（フル精度で 24GB 未満の VRAM に収まる） | 24 GB | コミュニティライセンス：“MiniMax-Music3” の UI 表記が必要、売上高 $20M 超は許諾が必要 |
| 音楽 | YuE2 | “24 GB VRAM”（24 GB の VRAM） | 24 GB | 重みは CC BY-NC 4.0：非商用 |
| アップスケール | SeedVR2 | “High VRAM (24GB+): Use FP16 models”（VRAM が多い場合（24GB+）：FP16 モデルを使う）、“Moderate VRAM (12-16GB): Use FP8 models with BlockSwap or VAE tiling”（VRAM が中程度の場合（12-16GB）：FP8 モデルに BlockSwap か VAE タイリングを組み合わせる） | 24–32 GB | Apache 2.0 |
| アップスケール | Real-ESRGAN | 公表なし | 24 GB | BSD-3-Clause |
| フレーム補間 | RIFE（Practical-RIFE） | 公表なし。“4.24+ is quite suitable for post-processing of some diffusion model generated videos”（4.24 以降は、拡散モデルで生成した動画の後処理にかなり適している） | 24 GB | MIT |
| フレーム補間 | GIMM-VFI | V100 で “[4K interpolation] … Memory-Usage: 10922MiB”（[4K の補間]……メモリ使用量：10922MiB） | 24 GB | S-Lab License 1.0：商用利用の前に確認 |
まだ勧められることがある 2 つのツールについて：Chatterbox は開発が終了しており（“As of August 2026, Chatterbox is retired research and is no longer maintained.”、2026 年 8 月時点で Chatterbox は終了した研究プロジェクトで、メンテナンスされていない）、Microsoft は “removed the VibeVoice-TTS code from this repository”（このリポジトリから VibeVoice-TTS のコードを削除した）としています。
商用利用の前に読むべきライセンス
- MiniMax H3： MiniMax H3 Community License Agreement で、オープンソースライセンスではありません。使う前に LICENSE を読んでください。
- HunyuanVideo 1.5： Tencent Hunyuan Community License で、オープンソースライセンスではありません。使う前に LICENSE を読んでください。
- YuE2： 重みは CC BY-NC 4.0 なので、企業が商用利用する前には作者への連絡が必要です。
- GIMM-VFI： S-Lab License 1.0 です。有償の仕事で GIMM-VFI を使う前に読んでください。
- LTX-2.5： 売上高のしきい値未満なら無料です。“Entities with annual revenues of at least $10,000,000 … are required to obtain a paid license.”（年間売上高が $10,000,000 以上の事業者は……有償ライセンスの取得が必要。）
ライセンス条件をシンプルにして商用の仕事をするなら、表の中の Apache 2.0 と MIT のツールを使いましょう：Wan 2.1 と 2.2、SeedVR2、RIFE、ACE-Step 1.5、LatentSync、CosyVoice です。
工程ごとに必要なカードで動かす
短編映画のために、大きなカードをずっと動かし続ける必要はありません。典型的な分け方は次のとおりです：
- 24 GB のカード（RTX 4090）：絵コンテのフレーム、Wan 2.2 TI2V-5B での下書き、音声、音楽。
- 48 GB または 80 GB のカード（RTX 4090 48G、A100 80G）：14B モデルでの本番ショット、または LoRA の学習。
- 24–32 GB のカードに戻る：リップシンク、アップスケール、フレーム補間。
インスタンスのデータは破棄すると削除されるので、破棄する前に出力をコピーしてください（rsync や scp）。2026-11-05 07:55 (UTC+8) 時点で、RTX 4090 の 2 時間は $0.78、RTX 4090 48G での本番ショット 1 時間は $0.69 です。同じ 3 時間を A100 80G で通すと $4.77 かかります。課金は 1 分単位（切り上げ）で 1 分から、インスタンスを破棄すると止まります。現在の料金は /pricing に掲載しています。
ホスト型モデルで完成したクリップだけが必要なら、CloudGPU のモデル API にも wan-3.0 などの動画モデルがあります。POST /v1/videos でジョブを作成します（API ドキュメント）。
関連：Wan の動画生成にはどの GPU を使うべきか · MiniMax H3 にはどの GPU が必要か · クラウド GPU で Wan 2.2 を動かす方法（英語） · AI 映像・動画制作向けクラウド GPU
よくある質問
AI 短編映画を作るにはどの GPU が必要ですか？
ほとんどの工程は 24–32 GB のカードで動きます。絵コンテの画像、Wan 2.2 TI2V-5B、音声、リップシンク、音楽、アップスケール、フレーム補間です。Wan 2.2 A14B、MiniMax H3、LTX-2.5 のような 14B 以上の動画モデルには、48 GB、80 GB 以上、またはホスト RAM への大量のオフロードが必要です。
商用利用できるオープンな動画モデルはどれですか？
Wan 2.1 と Wan 2.2 は Apache 2.0 です。MiniMax H3 と HunyuanVideo 1.5 は独自のコミュニティライセンスなので、商用利用の前に読んでください。LTX-2.5 は年間売上高 $10,000,000 以上の事業者に有償ライセンスを求めています（2026-11-04 閲覧）。
ショットをまたいでキャラクターの一貫性を保つには？
musubi-tuner か ai-toolkit でキャラクターの LoRA を学習するか、Wan-Animate-2 や MiniMax H3 Ref2VA のような参照画像を使うモデルを使います。musubi-tuner は動画の学習に 24 GB 以上の VRAM と 64 GB 以上のメインメモリを推奨しています（2026-11-04 閲覧）。
音声、リップシンク、音楽にはどのツールを使いますか？
音声には Fun-CosyVoice 3.0 と IndexTTS-2.5、リップシンクには LatentSync、MuseTalk、InfiniteTalk、音楽には ACE-Step 1.5 と MiniMax Music 3 を使います。YuE2 の重みは CC BY-NC 4.0 なので、許可なく商用利用はできません（2026-11-04 閲覧）。
AI 動画をアップスケールして滑らかにするには？
アップスケールには SeedVR2 か Real-ESRGAN、フレーム補間には RIFE を使います。SeedVR2 の ComfyUI ノードは、24 GB 以上なら FP16 モデル、12–16 GB なら FP8 モデルに BlockSwap か VAE タイリングを組み合わせることを勧めています（2026-11-04 閲覧）。
出典（2026-11-04 閲覧、Asia/Shanghai）
- Wan2.2 README：https://github.com/Wan-Video/Wan2.2 ；ComfyUI Wan 2.2 チュートリアル：https://docs.comfy.org/tutorials/video/wan/wan2_2
- MiniMax H3 のモデルカードと LICENSE：https://huggingface.co/MiniMaxAI/MiniMax-H3 ；diffusers の H3 ドキュメント：https://huggingface.co/docs/diffusers/main/en/api/pipelines/minimax_h3
- LTX-2 の README とライセンス：https://github.com/Lightricks/LTX-2
- HunyuanVideo 1.5 のモデルカードと LICENSE：https://huggingface.co/tencent/HunyuanVideo-1.5 ；https://github.com/Tencent-Hunyuan/HunyuanVideo-1.5/blob/master/LICENSE
- musubi-tuner：https://github.com/kohya-ss/musubi-tuner ；ai-toolkit：https://github.com/ostris/ai-toolkit
- Wan-Animate-2 のモデルカード：https://huggingface.co/Wan-AI/Wan2.2-Animate-2-14B
- CosyVoice：https://github.com/FunAudioLLM/CosyVoice ；IndexTTS：https://github.com/index-tts/index-tts ；VibeVoice：https://github.com/microsoft/VibeVoice ；Chatterbox：https://github.com/resemble-ai/chatterbox
- LatentSync：https://github.com/bytedance/LatentSync ；MuseTalk：https://github.com/TMElyralab/MuseTalk ；InfiniteTalk：https://github.com/MeiGen-AI/InfiniteTalk
- ACE-Step 1.5：https://github.com/ace-step/ACE-Step-1.5 ；MiniMax Music 3：https://huggingface.co/MiniMaxAI/MiniMax-Music3 ；YuE：https://github.com/multimodal-art-projection/YuE
- SeedVR2 ComfyUI ノード：https://github.com/numz/ComfyUI-SeedVR2_VideoUpscaler ；Real-ESRGAN：https://github.com/xinntao/Real-ESRGAN ；Practical-RIFE：https://github.com/hzwer/Practical-RIFE ；GIMM-VFI：https://github.com/GSeanCDAT/GIMM-VFI
起動できるカードは Deploy ページに一覧があります。料金は https://cloudgpu.app/ja/pricing に掲載しています。
最終更新：2026-11-04（Asia/Shanghai）。